Jinas „First in OCR Throughput“ ist ein Geschwindigkeit für Genauigkeit-Verhältnis, das auf DeepSeks offenen Gewichten basiert. Die wirkliche Einheit ist jedoch der Kosten pro Seite – und Elastic übernimmt die Verantwortung dafür.

Jina AI ist ein Startup im Bereich der Suchtechnologie, das heute in den Besitz der öffentlichen Firma Elastic geht. Das Unternehmen behauptet, dass sein neuer Dokumentparser, jina-ocr-v1, sehr schnell ist – so kann man ihn mit anderen Tools vergleichen.Es belegt den ersten Platz in Bezug auf die Seitenausgabeleistung unter den 14 verglichenen Modellen.Der Schlagzeile ist zwar wahr, aber es lohnt sich, sie vor dem Betrachten als Sieg zu betrachten – denn ein „Erstplatzierter“ in der Geschwindigkeit ist nur die eine Hälfte des Ganzen. Die andere Hälfte, die Jina abgegeben hat, ist das, was normalerweise als Erfolg angesehen wird.

Das Modell ist eine Überarbeitung von DeepSeek-OCR – der Open-Source-Version des chinesischen Labors.Das Lesen von Dokumenten wurde in ein Kompressionsproblem verwandelt.Die Idee von DeepSeek war, eine ganze Seite als eine kleine Anzahl von Bildmarkern darzustellen –Nur so wenige wie 256– Die Textdichte wird erheblich verringert, und die Dekodierungsarbeit pro Seite wird reduziert. Jina behielt diesen Kernbestand bei, fügte eine spekulative Dekodierungseinheit hinzu, die die Tokens vorab generiert und diese anschließend überprüft. Die Ergebnisse werden anschließend in öffentlichen Corpora sowie in veralteten und historischen Dokumenten gespeichert.Insgesamt 3,4 Milliarden Parameter – davon sind etwa 570 Millionen für jeden Token aktiv.UndVerfügt über eine Geschwindigkeit von 2,57 Seiten pro Sekunde auf einem einzigen A100..

Dieser Seitenrate ist das, auf dem der Ausspruch „der Erste von 14“ beruht. Sie wird aus genau zwei Faktoren bestehen. Der erste Faktor ist die Kürze der Ausgabe: jina-ocr-v1Es werden etwa 1.085 Tokens pro Seite ausgegeben.wo ein vergleichbarer Parser wieSurya OCR 2 verbraucht etwa 3.568Mehr wenige Tokens pro Seite bedeutet, dass der Decoder weniger Mal durch den gesamten Dokumentinhalt gehen muss. Dadurch steigt die Anzahl der Seiten pro Sekunde – bevor irgendeine Beschleunigung angewandt wird. Das zweite Element ist FastMTP: eine Art „Spekulationsprozessor“. Auf einem mittleren L4-GPU funktioniert dieser Prozessor gut.Die Decodierung wird um etwa 1,9x beschleunigt.Im „Eager-Modus“ wird eine Byte-identische Ausgabe erzeugt – genau wie bei der normalen autoregressiven Dekodierung. Wenn man die beiden Prozesse zusammenführt, ergibt sich das Durchsatzmaß als natürlicher Ergebnis.

Jetzt hat die Hälfte von Jina gegeben werden müssen. Sie belegt den dritten Platz in beiden Qualitätsbewertungen, die sie anzeigt – der dritte Platz unter den spezialisierten Modellen auf OmniDocBench v1.6 und der dritte Platz unter den spezialisierten Modellen, deren Werte in olmOCR-Bench publiziert wurden.91,14 auf OmniDocBench v1.6 und 83,4 auf olmOCR-BenchHinter schwererren Systemen wie Infinity-Parser2-Pro.Das Modell erzielt einen Wert von 87,6 bei olmOCR-Bench – doch es ist etwa fünf und ein halb Mal langsamer.Page-for-page: Die Geschwindigkeit ist eine Entscheidung der Ingenieure – genauso wie die Entdeckungen. Die gleiche Kürze, die das Dekodieren beschleunigt, begrenzt auch die Genauigkeit bei schwierigen Eingaben. Der niedrigste Punktestand für die Genauigkeit bei schwierigen Eingaben ist…Degradierte, beschädigte Scans bei 42,6Das Unternehmen selbst weist darauf hin: Die Vergleiche zwischen den 14 Modellen sind nicht vergleichbar.Sie wurden nicht auf kontrollierte Weise durchgeführt.Die Hardware- und Batch-Einstellungen unterscheiden sich zwischen den Zeilen. Es handelt sich also um einen selbst durchgeführten Benchmark, der die Geschwindigkeit von Jinas eigenem Gerät misst. Es geht dabei um eine „Genauigkeitsentscheidung“, nicht um einen Sieg im Vergleich zu anderen Anwendungen.

Lesen Sie den Rang vorbei – die Zahlen beschreiben eigentlich eine Kostenposition, nicht einen Geschwindigkeitsrekord. In der AI-Struktur ist die Dokumentparsing die „Ingestion-Ebene“ der Retrieval-Augmented-Generation: Jeder Unternehmens-RAG-Pipeline muss zuerst Rechnungen, Scans und PDF-Dateien in sauberen Text oder Markdown umwandeln, bevor die Agenten etwas Nützliches mit diesen Daten machen können. Gerade diese Umwandlung ist es, die die Kosten pro Seite bestimmt – Unternehmensdokumentdienste.Preise werden regelmäßig nach tausend Seiten berechnet.Ein Modell, das weniger Tokens pro Seite verwendet und diese schneller decodiert, führt vor allem dazu, dass die Kosten für dieses Schichtenprozess reduziert werden. Genau hier hilft das Jina-Tool Elastic.Hat das Startup im Oktober 2025 erworben.Um seine Position im Bereich der Vektor-Suche und Kontext-Engineering gegenüber den Cloud-OCR- und Dokumentintelligenz-Diensten zu stärken.

Für einen Investor ist das der Punkt, den man beachten sollte. Jina AI hat keine eigene öffentliche Aktie.Ein Unternehmen aus Berlin, das im Jahr 2020 gegründet wurde.dasEtwa 36 Millionen Dollar erzielt worden.Bevor Elastic es kaufte, lag die Verkaufsmöglichkeit bei den Endkunden bei Elastic. Innerhalb von Elastic ist jina-ocr-v1 eine wettbewerbsfähige Technologie – allerdings an einem Punkt, an dem Kosten eine Rolle spielen. Es handelt sich dabei um eine echte, aber geringfügige Verbesserung der Wirtschaftlichkeit einer bestimmten Schicht des Systems – nicht um eine Umstrukturierung des gesamten Unternehmens. Die Unterscheidung ist wichtig: Eine selbstgewählte Geschwindigkeitsrangordnung kann wie ein Schutzschild wirken – doch ein Parser, der in puncto Genauigkeit den dritten Platz belegt und auf den offenen Gewichten eines anderen Labors basiert, ist genau das, was ein Konkurrent in seiner nächsten Trainingsrunde auslöschen könnte. Was die Aussage relevant macht, ist nicht ein neuer Testvorgang, sondern die Anzeige davon, wie viel Elastic pro Seite zahlt, um Dokumente in großen Mengen zu verarbeiten – und das ist eine Zahl, die bereits vor dem Erscheinen in den Durchsatztabellen sichtbar ist.